Phim giới thiệu mẫu thiết kế Ora 2

Hãy yêu cầu tôi cung cấp: tên sản phẩm, một câu giới thiệu ngắn gọn, logo, 3 đến 6 ảnh chụp màn hình sản phẩm, hơn 40 hình ảnh về sản phẩm tạo ra (hoặc ảnh chụp sản phẩm), màu sắc và phông chữ thương hiệu, khóa API và ID giọng nói của ElevenLabs, cùng với một bản nhạc miễn phí bản quyền có đoạn cao trào rõ ràng (tệp âm thanh và dấu thời gian của đoạn cao trào). Nếu tôi bỏ sót bất cứ điều gì, hãy sử dụng các tùy chọn mặc định này: "Ora 2", "một mô hình hình ảnh được tạo ra cho gu thẩm mỹ", hình ảnh miễn phí từ Unsplash và Pixabay, Geist, ink #111214, giọng nói Samara X (19STyYD15bswVz51nqLf) trên eleven_v4, và Pixabay "Cascade Breathe" (129.83 BPM, đoạn cao trào ở 75.39s).

<script>
Hãy viết một đoạn thuyết minh gồm 9 dòng theo định dạng này và điều chỉnh từng dòng cho phù hợp với sản phẩm của tôi:
"Đây là [tên]. Một [danh mục]... được xây dựng cho [giá trị]. [Động từ] theo BẤT KỲ kiểu nào. Hãy cung cấp cho nó một [đầu vào] - và nó sẽ... hiểu ngay. Bạn càng sử dụng nó nhiều, nó càng TỐT HƠN. Điều chỉnh [cài đặt] của nó. [cài đặt] của nó. [cài đặt] của nó. Mọi [đầu ra] - chính xác như bạn đã hình dung. [Tên]. Ra mắt ngay bây giờ."
Hãy sử dụng các thẻ biểu cảm một cách tiết kiệm: [nhẹ nhàng] cho những dòng trầm lắng và [hưng phấn] cho dòng [Động từ]. Đừng dùng thẻ biểu cảm ở đầu câu và kết thúc bằng dấu chấm câu đơn giản.
</script>

Gọi trực tiếp API của ElevenLabs bằng khóa của tôi, không cần MCP. Tạo 4 bản thu âm hoàn chỉnh trong một lần và để tôi chọn. Nếu một câu thoại nào đó nghe không ổn, hãy tạo lại chỉ câu thoại đó 4 lần và ghép phiên bản tốt nhất vào bản thu của tôi.
Rút ngắn các khoảng dừng dài hơn 0,28 giây xuống còn 0,2 giây, sau đó điều chỉnh mỗi cụm từ đến mức 85% so với mức trung bình, chỉ điều chỉnh độ khuếch đại trong các khoảng dừng.
Để đo thời gian phát âm từ, hãy chia đoạn đọc thành các khoảng dừng 100ms trở lên, phiên âm từng đoạn riêng biệt bằng Whisper và căn chỉnh từ đầu tiên của đoạn đó với thời điểm bắt đầu phát âm đã đo được. Một lần chạy Whisper có thể làm chậm phát âm từ đến nửa giây.

Một đoạn phim ra mắt vuông dài 22 giây, độ phân giải 1440x1440 ở tốc độ 60 khung hình/giây, theo phong cách của một buổi ra mắt sản phẩm trong phòng thí nghiệm AI: nền trắng, một kiểu chữ, mực đen, hình ảnh thực và phụ đề được gõ từng chữ một đúng vào thời điểm chúng được nói ra.
Mọi thành phần điều khiển (thanh nhắc lệnh, bảng cài đặt, ô chú thích) đều sử dụng hiệu ứng kính lỏng: làm mờ khung cảnh phía sau, uốn cong khung cảnh đó dọc theo cạnh như kính dày, sau đó thêm lớp phủ bóng, viền sáng và bóng đổ mềm mại. Kính sẽ biến mất trên nền trắng trơn, vì vậy hãy thêm một lớp phủ mờ nhẹ nhàng với màu sắc thương hiệu của tôi hoặc một lớp phủ mờ cho bức ảnh phía sau.
Một trong hai thiết kế đó nhấn mạnh vào kiểu chữ với hiệu ứng chuyển màu theo màu sắc thương hiệu của tôi, kèm theo ánh sáng mờ phía sau.
Quy tắc chuyển động: giữ cho camera di chuyển liên tục (tăng giảm từ 1.0 đến 1.04 cho mỗi cảnh; khi nội dung chuyển sang cảnh tiếp theo, bắt đầu từ mức thu phóng mà cảnh trước kết thúc). Không có gì xuất hiện ngay lập tức: sử dụng hiệu ứng chuyển cảnh mượt mà với độ mờ dần ít nhất 0.3 giây. Thay đổi hình ảnh theo nốt nhạc 16 phân, mỗi lần thay đổi có một tiếng click. Hạ thấp cảnh khi bắt đầu câu nhạc và căn chỉnh điểm dừng nhạc với dòng [Verb]. Không hiển thị dấu chấm câu trên màn hình.
Bị cấm: hiệu ứng nổi bật trong khung chọn, hiệu ứng nhấn mạnh đột ngột, hiệu ứng ánh sáng trắng, hiệu ứng 3D, mẫu.

Bảy cảnh, được căn chỉnh thời gian theo giọng nói:

1. "Đây là [tên]": một tập hợp các hình ảnh của tôi hiện ra khi tên được gõ lớn, sau đó nhường chỗ cho dòng phân loại.
2. "được tạo ra cho [giá trị]": những hình ảnh đẹp nhất của tôi hiện lên toàn màn hình theo nhịp 16 nốt nhạc, với dòng chữ màu trắng được in phía trên.
3. Hiệu ứng rơi: một thanh nhắc bằng kính hiển thị một lời nhắc ngắn. Thẻ kết quả thay đổi kiểu dáng sau mỗi 16 nốt nhạc, trong khi một con chip kiểu màu đen di chuyển đến từng tên mới phía trên dải hình thu nhỏ.
4. "Cho xem bảng cảm hứng": 9 hình ảnh bay vào lưới 3x3, sau đó khoanh tròn kết quả khi dòng chữ "Nó thu hút bạn" hiện lên màn hình.
5. "Càng dùng nhiều, càng tốt": gõ hai dòng, với từ được nhấn mạnh theo kiểu chuyển màu.
6. Các thiết lập: hiển thị một tấm kính với 3 thanh trượt, mỗi thanh di chuyển khi cô ấy đặt tên cho nó. Thay đổi sắc độ của hình ảnh, tạo các hạt giống mới theo bội số của 1/16, sau đó biến nó thành một tấm áp phích. Di chuyển một lớp màu mờ phía sau tấm kính một cách đồng bộ.
7. "Mọi [đầu ra], chính xác như bạn thấy": phóng 120 hình ảnh của tôi ra từ trung tâm phía sau một ô chú thích bằng kính, sau đó tập hợp chúng lại thành logo của tôi khi tên được gõ lên. Đặt "Ra mắt ngay" bên dưới và giữ trong 2 giây.

Hãy thay thế thanh nhắc nhở, kết quả và thanh trượt bằng các thông tin đầu vào, đầu ra và cài đặt thực tế của sản phẩm của tôi.

Đặt bài hát sao cho đoạn cao trào rơi vào dòng [Verb] và neo lưới nhịp ở đó.
Giảm âm lượng nhạc nền xuống dưới giọng hát bằng sidechain 3 dải tần (âm trầm 30%, âm trung 85%, âm bổng 55%; giữ 0,3 giây, dự đoán trước 50ms, nhả 0,5 giây). Sau đó điều chỉnh âm trung của mỗi đoạn nhạc cho đến khi giọng hát cao hơn nhạc nền khoảng 9 dB trong khoảng tần số từ 300 Hz đến 4 kHz.
Sử dụng một hiệu ứng âm thanh Mixkit SFX đã tải xuống cho mỗi sự kiện, được định vị theo đỉnh âm thanh đã đo được: một tiếng click cho mỗi lần thay đổi hình ảnh, một âm thanh phím cho mỗi chữ cái được gõ, một âm thanh nhẹ nhàng khi nhấn mạnh từ, tiếng vù vù và tiếng va chạm khi xuất hiện hình ảnh rơi xuống và logo. Cắt tỉa mỗi hiệu ứng xung quanh đỉnh âm thanh của nó (nhiều hiệu ứng tăng dần dài 4 giây). Làm mờ dần âm nhạc theo đường cong dB bên dưới thẻ kết thúc. Sử dụng Loudnorm để điều chỉnh xuống -14 LUFS.

1. Một canvas HTML. Mỗi khung hình là một hàm thuần túy của thời gian bên trong seek(t), và mỗi chú thích và cắt đều tuân theo bảng từ.
2. Ly thủy tinh: Chụp toàn bộ phần nền phía sau hình vẽ, làm mờ khoảng 14px cho phần thân, vẽ một bản sao được làm mờ nhẹ và phóng to khoảng 1,06x thành một dải 12px dọc theo cạnh, sau đó thêm lớp sữa, độ bóng, viền và bóng đổ.
3. Kết xuất bằng Playwright ở tốc độ 60 khung hình/giây sử dụng 8 khung hình phụ làm mờ chuyển động, sau đó mã hóa bằng ffmpeg.
4. Trước khi cho tôi xem bất cứ thứ gì, hãy tạo một bảng tổng hợp các ảnh tĩnh, quét sự khác biệt giữa các khung hình để tìm các lỗi nhỏ (chỉ những đoạn chạy nốt móc kép mới có thể bị nhảy), và kiểm tra tỷ lệ giọng hát so với nhạc cho mỗi cụm từ.

Lời mở đầu [ấm áp] có thể nghe như thì thầm, trong khi [hào hứng] lại có vẻ giả tạo. Khung tô sáng phía sau một từ trông giống như vùng chọn văn bản của Windows. Nếu camera đặt lại về 1.0 trong quá trình chuyển giao, zoom sẽ bị giật. Hiệu ứng mờ dần 0.05 giây trông giống như hiệu ứng xuất hiện tức thì.

Hãy yêu cầu tôi cung cấp thông tin đầu vào, viết kịch bản, gửi cho tôi 4 bản thu âm giọng nói để lựa chọn, sau đó cho tôi xem 8 hình ảnh tĩnh trước khi hoàn thiện bản dựng cuối cùng.

Ask me for: my product name, a one-line pitch, my logo, 3 to 6 screenshots of the product, 40+ images of what it creates (or photos of it), my brand colors and font, an ElevenLabs API key and voice ID, plus a royalty-free track with a clear drop (the audio file and the drop timestamp). If I skip anything, use these defaults: "Ora 2", "an image model made for taste", free images from Unsplash and Pixabay, Geist, ink #111214, the voice Samara X (19STyYD15bswVz51nqLf) on eleven_v4, and Pixabay "Cascade Breathe" (129.83 BPM, drop at 75.39s).

<script>
Write a 9-line voiceover in this format and adapt every line to my product:
"This is [name]. A [category]... built for [value]. [Verb] in ANY style. Give it a [input] - and it just... understands. The more you use it, the BETTER it gets. Adjust its [setting]. Its [setting]. Its [setting]. Every [output] - exactly as you pictured it. [Name]. Out now."
Use emotion tags sparingly: [softly] on the quiet lines and [excited] on the [Verb] line. Don't tag the opener, and end it with a plain full stop.
</script>

Call the ElevenLabs API directly using my key, without an MCP. Generate 4 full-script takes in one pass and let me choose. If a line doesn't sound right, regenerate just that line 4 times and splice the best version into my take.
Shorten pauses longer than 0.28s to 0.2s, then bring each phrase 85% of the way toward the median level, adjusting gain only during pauses.
For word timings, split the read at pauses of 100ms or longer, transcribe each segment separately with Whisper, and align its first word to the measured onset. A single Whisper pass can place words up to half a second late.

A 22-second square launch film, 1440x1440 at 60fps, in the style of an AI lab launch: white canvas, one typeface, black ink, real images, and captions typed word by word at the exact time they're spoken.
Every control (prompt bar, settings panel, caption pill) uses liquid glass: frost the scene behind it, bend that scene along the edge like thick glass, then add a top sheen, bright rim and soft lift shadow. Glass disappears on plain white, so add a slow pastel aura in my brand colors or a blurred wash of the photo behind it.
The one emphasized word types in a gradient of my brand colors, with a faint glow behind it.
Motion rules: keep the camera drifting (push from 1.0 to 1.04 per scene; when content moves to the next scene, start at the zoom where the previous scene ended). Nothing appears instantly: use eased fades of at least 0.3s. Change images on 16th notes, with a click for each. Land scene changes on phrase starts, and align the music drop with the [Verb] line. Don't show full stops on screen.
Banned: selection-box highlights, beat-snapped slams, white flashes, 3D, templates.

Seven scenes, timed to the voice:

1. "This is [name]": a collage of my images drifts out as the name types in large, then gives way to the category line.
2. "made for [value]": full-screen flashes of my best images switch on 16th notes into the drop, with the line typed in white over them.
3. The drop: a glass prompt bar types a short prompt. The result card changes style every 16th note, while a black style chip rolls to each new name above a thumbnail strip.
4. "Show it a moodboard": 9 images fly into a 3x3 grid, then circle the result as "It gets you" types on screen.
5. "The more you use it, the better it gets": type two lines, with the emphasized word in the gradient.
6. The settings: show a glass panel with 3 sliders, each moving as she names it. Shift the image's hue, roll new seeds on 16ths, then turn it into a poster. Shift a blurred wash of its colors behind the glass in sync.
7. "Every [output], exactly how you see it": burst 120 of my images outward from the center behind a glass caption pill, then bring them together into my logo as the name types on. Put "Out now" underneath and hold for 2s.

Replace the prompt bar, results and sliders with my product's real input, outputs and settings.

Set the song so the drop lands on the [Verb] line, and anchor the beat grid there.
Duck the music under the voice with a 3-band sidechain (lows 30%, mids 85%, air 55%; 0.3s hold, 50ms look-ahead, 0.5s release). Then adjust the mids of each phrase until the voice sits about 9 dB above the music between 300 Hz and 4 kHz.
Use one downloaded Mixkit SFX per event, positioned by its measured peak: a click for each image change, a key sound for every typed letter, a soft landing on the emphasized word, whooshes, and impacts on the drop and logo. Trim each around its peak (many risers are 4 seconds). Fade the music along a dB curve under the end card. Loudnorm to -14 LUFS.

1. One HTML canvas. Every frame is a pure function of time inside seek(t), and every caption and cut follows the word table.
2. Glass: capture the canvas behind the shape, blur it about 14px for the body, draw a lightly blurred copy magnified about 1.06x in a 12px band along the edge, then add the milk, sheen, rim and shadow.
3. Render with Playwright at 60fps using 8 motion-blur subframes, then encode with ffmpeg.
4. Before showing me anything, make a contact sheet of stills, scan frame differences for single-frame pops (only the 16th-note runs may jump), and check the voice-to-music ratio for every phrase.

A [warmly] opener can sound whispered, while [excited] can feel fake. A highlight box behind a word looks like a Windows text selection. If the camera resets to 1.0 during a handoff, the zoom snaps. A 0.05s fade looks like an instant pop-in.

Ask me for the inputs, write the script, send me 4 voice takes to choose from, then show me 8 stills before the full render.

Lời nhắc được lấy từ bưu kiện @rossaxbt.